Fugu-MT 論文翻訳(概要): Demographic Predictability in 3D CT Foundation Embeddings

論文の概要: Demographic Predictability in 3D CT Foundation Embeddings

arxiv url: http://arxiv.org/abs/2412.00110v1
Date: Thu, 28 Nov 2024 04:26:39 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:51:19.412065
Title: Demographic Predictability in 3D CT Foundation Embeddings
Title（参考訳）: 3次元CTファウンデーション埋め込みにおける画像予測可能性
Authors: Guangyao Zheng, Michael A. Jacobs, Vishwa S. Parekh,
Abstract要約: 自己組織化基礎モデルはCT画像の符号化に成功している。これらの埋め込みが年齢、性別、人種などの人口統計情報をキャプチャするかどうかを評価する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Self-supervised foundation models have recently been successfully extended to encode three-dimensional (3D) computed tomography (CT) images, with excellent performance across several downstream tasks, such as intracranial hemorrhage detection and lung cancer risk forecasting. However, as self-supervised models learn from complex data distributions, questions arise concerning whether these embeddings capture demographic information, such as age, sex, or race. Using the National Lung Screening Trial (NLST) dataset, which contains 3D CT images and demographic data, we evaluated a range of classifiers: softmax regression, linear regression, linear support vector machine, random forest, and decision tree, to predict sex, race, and age of the patients in the images. Our results indicate that the embeddings effectively encoded age and sex information, with a linear regression model achieving a root mean square error (RMSE) of 3.8 years for age prediction and a softmax regression model attaining an AUC of 0.998 for sex classification. Race prediction was less effective, with an AUC of 0.878. These findings suggest a detailed exploration into the information encoded in self-supervised learning frameworks is needed to help ensure fair, responsible, and patient privacy-protected healthcare AI.
Abstract（参考訳）: 近年,3次元CT画像のエンコード化に成功し,脳内出血検出や肺がんリスク予測など,下流の課題に優れたパフォーマンスが得られた。しかし、自己監督モデルが複雑なデータ分布から学習するにつれて、これらの埋め込みが年齢、性別、人種などの人口統計情報をキャプチャするかどうかに関する疑問が生じる。 3次元CT画像と人口統計データを含むNational Lung Screening Trial(NLST)データセットを用いて, ソフトマックス回帰, 線形回帰, 線形支持ベクトルマシン, ランダムフォレスト, 決定ツリーの分類を行い, 画像中の患者の性別, 人種, 年齢を推定した。以上の結果から, 年齢予測に3.8年の根平均二乗誤差(RMSE)を達成できる線形回帰モデルと, 性別分類に0.998のAUCを達成できるソフトマックス回帰モデルを用いて, 年齢情報と性別情報を効果的に符号化できることが示唆された。レース予測は効率が悪く、AUCは0.878であった。これらの結果は、公正で責任があり、患者のプライバシ保護された医療AIを保証するために、自己教師付き学習フレームワークで符号化された情報を詳細に調査する必要があることを示唆している。

関連論文リスト

Towards Fair Medical AI: Adversarial Debiasing of 3D CT Foundation Embeddings [13.985136866888379]
自己教師付き学習は、大規模未ラベルデータセットから効率的で一般化可能な特徴抽出を可能にすることで、医療画像に革命をもたらした。近年、自己教師付き基礎モデルは3次元CTデータに拡張され、1408個の特徴を持つコンパクトで情報豊富な埋め込みを生成する。これらの埋め込みは、年齢、性別、人種などの人口統計情報を符号化することが示されており、臨床応用の公正性に重大なリスクをもたらす。本稿では,VAEをベースとした対向的デバイアス化フレームワークを提案し,これらの埋め込みを人口統計学の新たな潜在空間に変換する。
論文参考訳（メタデータ） (2025-02-05T20:32:42Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文参考訳（メタデータ） (2023-05-10T06:43:33Z)
Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文参考訳（メタデータ） (2022-04-04T17:37:54Z)
A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification [3.3345134768053635]
深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者の中心である。最新の胸部X線像3例の追跡歴を含む患者のX線像は, 疾患分類において良好な成績を示すと推定された。
論文参考訳（メタデータ） (2022-03-28T19:58:47Z)
An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction Tool using Random Forest Model [1.1024591739346292]
治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。 GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
論文参考訳（メタデータ） (2021-08-30T07:56:34Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。